利用大型语言模型，本研究测试和比较五个大型语言模型在建模产品的全生命周期和生成输入输出清单数据方面的表现能力，揭示它们作为通用产品碳足迹知识数据库的局限性。通过利用语言模型，提出了一种名为 AutoPCF 的自动人工智能驱动产品碳足迹核算框架，该框架还应用深度学习算法自动匹配计算参数，并最终计算产品碳足迹。使用 AutoPCF 框架估算三个案例产品的碳足迹的结果表明，它在实现自动建模和碳足迹估算方面具有潜力，并能大大减少建模时间，从几天缩短到几分钟。

Aug, 2023

通过训练机器学习模型进行温室气体排放的估算可以帮助投资者符合环保法规措施和实现净零排放的目标。

Sep, 2021

本文将研究基于机器学习的模型，以估算尚未报告温室气体排放的公司的范围 1 和范围 2 的温室气体排放。该模型具有透明度和完全适应性，并且能够为大量公司估算排放，具有良好的出样本全球性能，在按行业、按国家或按营业额桶进行评估时具有好的出样本粒度性能。同时，该模型还比其他提供者的估算结果更准确，并且使用 Shapley 值提供了可解释性工具，用户能够了解每个特定公司的温室气体排放分解因素。

Dec, 2022

通过引入一种功能框架，我们可以实现实时跟踪机器学习的能源消耗和碳排放，并生成标准化的在线附录。利用此框架，我们创建了一个能源高效强化学习算法排行榜，以激励负责任的研究，并提出了减少碳排放和节约能源的策略，以推动机器学习领域的可持续发展。

Jan, 2020

应对算法的碳足迹是电脑科学家在环境可持续性方面起到积极和诚实作用的关键，本研究通过易于使用的 Python 程序包实现了从能源使用到二氧化碳排放的转换，并将计算结果与人类可理解的基准（如汽车行驶英里）联系起来，并提出将这些自动化能源使用报告作为算法问责实践的一部分。与电网中的能量混合物进行比较，展示其用于机器学习背景下的模型选择。

Nov, 2019

本文提出了一个机器学习排放计算器工具，并阐述了影响神经网络训练中所产生的碳排放量的重要因素有哪些，以及个人从业者和组织可以采取的具体行动来减少排放。

Oct, 2019

本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。

Nov, 2022

本研究使用世界银行数据集，通过采用机器学习技术对未来十年二氧化碳排放情况进行预测，并对决策树、线性回归、随机森林和支持向量机等不同机器学习模型在相似数据集上的预测表现进行比较。

Nov, 2022

介绍了针对机器学习模型训练期间能源消耗量的多种在线和软件工具，并对这些工具的特定词汇、技术要求进行了评估和比较，并提供了一些建议。

Jun, 2023

利用机器学习（ML）技术生成工业工作流程的关键绩效指标（KPIs），提高工人的生产力，通过可解释的 ML 技术区分工作流程中的专业工人和非专业工人，从而提高工业工作流程的效率。

Jun, 2024